A quick and cost-effective method for monitoring deforestation of oil sands mining activities using Synthetic Aperture Radar and Multispectral real-time satellite data from Sentinel-1 and Sentinel-2.
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Alberta’s oil sands mining operations rank among the largest human-made structures globally. Monitoring through the use of Synthetic Aperture Radar (SAR) and Multispectral satellite imaging is an indispensable strategy in attaining sustainable development and mitigating deforestation in the third-largest verified oil reserves worldwide. This paper introduces a novel approach for cost-effective and reliable monitoring of deforestation caused by oil sands mining, avoiding cumbersome methods. It focuses on observing forest/non-forest areas affected by Suncor Energy Company’s mining assets in Alberta, using a combination of SAR and Multispectral satellite remote sensing. Radar images from Sentinel-1B and Multispectral images from Sentinel-2A were analyzed with SNAP 8.0 and QGIS within a time series from June 2017 to June 2020, providing detailed information to monitor better the potential environmental impact of oil sands mining activities in Canada. The Sentinel satellite system offers several advantages, including near-global coverage, elevated spatial resolution for detecting small-scale deforestation instances, and the ability to track temporal and dynamic changes through time-series analysis. Additionally, the system’s open data policy promotes accessibility, collaboration among researchers, and innovative deforestation monitoring applications. The research results hold potential value for decision-makers, enhancing the efficiency and sustainable development of Suncor,s mining operations.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle